Dynamic Hierarchical Reasoning with Language Model and Knowledge Graph for Question Answering

最新推荐文章于 2025-11-24 14:49:36 发布

UnknownBody

最新推荐文章于 2025-11-24 14:49:36 发布

阅读量298

点赞数

CC 4.0 BY-SA版权

分类专栏： Knowledge Graph 文章标签：语言模型知识图谱人工智能

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/132668425

Knowledge Graph 同时被 2 个专栏收录

85 篇文章 ¥99.90 ¥299.90

订阅专栏

LLM 日更

828 篇文章

已下架不支持订阅

本文提出DRLK模型，它利用问答上下文与知识图谱的动态层次交互进行推理，解决了现有方法在问答任务中的交互有限问题。DRLK在医学QA和常识推理基准数据集上取得SOTA性能，显示出对复杂知识关系处理的优势和跨领域推广能力。

本文是LLM系列文章，针对《Dynamic Hierarchical Reasoning with Language Model and Knowledge Graph for Question Answering》的翻译。

摘要

近年来，具有增强知识图谱（KG）的图神经网络（GNN）方法在问答（QA）任务中表现良好。一个关键的挑战是如何有效地利用QA上下文和KG之间的交互。然而，现有的工作只采用相同的QA上下文表示来与多层KG交互，这导致了有限的交互。在本文中，我们提出了DRLK（具有语言模型和知识图谱的动态层次推理），这是一种利用QA上下文和KG之间的动态层次交互进行推理的新模型。DRLK提取QA上下文中的动态分层特征，并在每次迭代中执行层间和层内交互，允许KG表示以QA上下文的分层特征为基础。我们在医学QA和常识推理的四个基准数据集上进行了广泛的实验。实验结果表明，DRLK在两个基准数据集上都达到了最先进的性能，在其他数据集上表现有竞争力。

1 引言

2 相关工作

3 方法

4 实验设置

5 结果与分析

6 结论

在本文中，我们提出了一种新的模型，该模型通过QA上下文和KG之间的分层交互实现精确推理。与基于微调的LM和KG增强方法相比，DRLK在两个医学QA基准数据集上实现了SOTA性能。在常识推理基准数据集上，DRLK的表现具有竞争力。实验结果表明，动态层次交互在处理复杂知识关系方面具有优越性。此外，在不同领域上的结果表明，DRLK对问答任务具有推广作用。